En el análisis de datos de panel, enfrentamos una decisión fundamental entre dos estimadores: efectos fijos (EF) y efectos aleatorios (EA). Esta elección implica un trade-off entre consistencia y eficiencia que depende crucialmente de si los efectos individuales están correlacionados con los regresores.
El modelo general de panel es:
donde \(y_{it}\) es la variable dependiente del individuo \(i\) en el período \(t\), \(\alpha_i\) es el efecto individual no observado (constante en el tiempo), \(\mathbf{x}_{it}\) son las covariables observadas, \(\boldsymbol{\beta}\) son los parámetros de interés, y \(\varepsilon_{it}\) es el error idiosincrásico.
El estimador de efectos fijos elimina \(\alpha_i\) mediante la transformación within, restando la media temporal de cada individuo:
Este estimador es **consistente** independientemente de si \(\text{Cov}(\alpha_i, \mathbf{x}_{it}) = 0\) o no, pero utiliza únicamente la variación temporal dentro de cada individuo, descartando la variación between.
El estimador de efectos aleatorios trata \(\alpha_i\) como una variable aleatoria no correlacionada con los regresores. Utiliza una combinación ponderada de las variaciones within y between:
donde \(\theta = 1 - \sqrt{\frac{\sigma_\varepsilon^2}{\sigma_\varepsilon^2 + T\sigma_\alpha^2}}\) es el factor de ponderación que depende de las varianzas relativas.
Cuando \(\text{Cov}(\alpha_i, \mathbf{x}_{it}) = 0\), ambos estimadores son consistentes, pero EA es más eficiente porque utiliza toda la información disponible. Cuando \(\text{Cov}(\alpha_i, \mathbf{x}_{it}) \neq 0\), EF sigue siendo consistente pero EA se vuelve inconsistente. Esta es la esencia del trade-off consistencia-eficiencia en datos de panel.